論文の概要: An Efficient Multi-Scale Fusion Network for 3D Organ at Risk (OAR) Segmentation

• arxiv url: http://arxiv.org/abs/2208.07417v1
• Date: Mon, 15 Aug 2022 19:40:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-17 12:47:27.701619
• Title: An Efficient Multi-Scale Fusion Network for 3D Organ at Risk (OAR) Segmentation
• Title（参考訳）: リスク(OAR)セグメンテーションのための高効率多次元核融合ネットワーク
• Authors: Abhishek Srivastava, Debesh Jha, Elif Keles, Bulent Aydogan, Mohamed Abazeed, Ulas Bagci
• Abstract要約: 我々はOARFocalFuseNetと呼ばれる新しいOARセグメンテーションフレームワークを提案する。 マルチスケールの特徴を融合させ、複数のスケールにわたるグローバルローカルコンテキストのキャプチャに焦点変調を用いる。 OARFocalFuseNetはOpenKBPデータセット上で0.7995のダイス係数と5.1435のハウスドルフ距離を得た。
• 参考スコア（独自算出の注目度）: 2.6770199357488242
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate segmentation of organs-at-risks (OARs) is a precursor for optimizing radiation therapy planning. Existing deep learning-based multi-scale fusion architectures have demonstrated a tremendous capacity for 2D medical image segmentation. The key to their success is aggregating global context and maintaining high resolution representations. However, when translated into 3D segmentation problems, existing multi-scale fusion architectures might underperform due to their heavy computation overhead and substantial data diet. To address this issue, we propose a new OAR segmentation framework, called OARFocalFuseNet, which fuses multi-scale features and employs focal modulation for capturing global-local context across multiple scales. Each resolution stream is enriched with features from different resolution scales, and multi-scale information is aggregated to model diverse contextual ranges. As a result, feature representations are further boosted. The comprehensive comparisons in our experimental setup with OAR segmentation as well as multi-organ segmentation show that our proposed OARFocalFuseNet outperforms the recent state-of-the-art methods on publicly available OpenKBP datasets and Synapse multi-organ segmentation. Both of the proposed methods (3D-MSF and OARFocalFuseNet) showed promising performance in terms of standard evaluation metrics. Our best performing method (OARFocalFuseNet) obtained a dice coefficient of 0.7995 and hausdorff distance of 5.1435 on OpenKBP datasets and dice coefficient of 0.8137 on Synapse multi-organ segmentation dataset.
• Abstract（参考訳）: organ-at-risk (oars) の正確なセグメンテーションは放射線治療計画の最適化の前駆体である。 既存のディープラーニングベースのマルチスケール核融合アーキテクチャは、2次元医用画像セグメンテーションの膨大な能力を示している。 彼らの成功の鍵は、グローバルなコンテキストを集約し、高解像度な表現を維持することです。 しかし, 3次元分割問題に変換されると, 計算オーバーヘッドやデータダイエットが重いため, 既存のマルチスケール融合アーキテクチャは性能が低下する可能性がある。 この問題に対処するために,我々は,oarfocalfusenetと呼ばれる新しいoarセグメンテーションフレームワークを提案する。 各解像度ストリームには様々な解像度スケールの特徴が備わっており、多スケール情報は多様な文脈範囲をモデル化するために集約される。 その結果、特徴表現はさらに強化される。 OARセグメンテーションとマルチ組織セグメンテーションを総合的に比較した結果,提案したOARFocalFuseNetは,OpenKBPデータセットとSynapseマルチ組織セグメンテーションの最近の最先端手法よりも優れていることがわかった。 提案手法(3D-MSFとOARFocalFuseNet)はいずれも,標準評価指標として有望な性能を示した。 提案手法(oarfocalfusenet)は,openkbpデータセット上で0.7995,hausdorff距離5.1435,synapse multi-organセグメンテーションデータセットで0.8137のサイス係数を得た。

関連論文リスト

• Enhanced Semantic Segmentation for Large-Scale and Imbalanced Point Clouds [6.253217784798542]
  小型の物体は、発生頻度が低いため、アンダーサンプリングや誤分類される傾向がある。 本稿では,大規模かつサンプル不均衡なクラウドシーンを対象としたマルチラテラルカスケーディングネットワーク(MCNet)を提案する。
  論文  参考訳（メタデータ） (2024-09-21T02:23:01Z)
• LMFNet: An Efficient Multimodal Fusion Approach for Semantic Segmentation in High-Resolution Remote Sensing [25.016421338677816]
  現在のメソッドは2種類のデータしか処理せず、追加のモダリティが提供できる豊富な情報を欠いていることが多い。 我々は,新しい textbfLightweight textbfMultimodal data textbfFusion textbfNetwork (LMFNet) を提案する。 LMFNetは、RGB、NirRG、DSMを含む様々なデータタイプを、重量共有型マルチブランチ・ビジョン・トランスフォーマーで同時に対応している。
  論文  参考訳（メタデータ） (2024-04-21T13:29:42Z)
• Open-vocabulary Panoptic Segmentation with Embedding Modulation [71.15502078615587]
  オープン語彙のイメージセグメンテーションは、現実世界における重要な応用のために注目を集めている。 従来のクローズド・ボキャブラリ・セグメンテーション法は、新しいオブジェクトを特徴づけることができないが、最近のいくつかのオープン・ボキャブラリ試みは、満足のいく結果を得る。 オープン語彙パノプトンのための全能的でデータ効率のよいフレームワークであるOPSNetを提案する。
  論文  参考訳（メタデータ） (2023-03-20T17:58:48Z)
• AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
  航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。 本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。 AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
  論文  参考訳（メタデータ） (2022-02-18T10:14:45Z)
• Deep Co-supervision and Attention Fusion Strategy for Automatic COVID-19 Lung Infection Segmentation on CT Images [1.898617934078969]
  本稿では,CT画像上でのCOVID-19感染に対する新たなセグメンテーション手法を提案する。 エッジとセマンティクスの特徴をネットワークで学習する上での深い協調管理手法を提案する。 提案手法の有効性は, 新型コロナウイルスの4つのCTデータセットで実証された。
  論文  参考訳（メタデータ） (2021-12-20T07:32:39Z)
• GMSRF-Net: An improved generalizability with global multi-scale residual fusion network for polyp segmentation [12.086664133486144]
  大腸内視鏡は金標準法であるが、非常に操作性に依存している。 前駆体であるポリープの検出とセグメンテーションを自動化し、ミスレートを効果的に最小化する試みがなされている。 エンコーダデコーダによって動作させるコンピュータ支援型ポリプセグメンテーションシステムは,精度で高い性能を実現している。
  論文  参考訳（メタデータ） (2021-11-20T15:41:59Z)
• Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
  本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。 クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。 MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
  論文  参考訳（メタデータ） (2021-06-08T00:30:43Z)
• Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
  本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。 イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。 我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
  論文  参考訳（メタデータ） (2021-04-02T02:07:37Z)
• A Holistically-Guided Decoder for Deep Representation Learning with Applications to Semantic Segmentation and Object Detection [74.88284082187462]
  一般的な戦略の1つは、バックボーンネットワークに拡張畳み込みを採用し、高解像度のフィーチャーマップを抽出することです。 本稿では,高分解能なセマンティクスリッチな特徴マップを得るために紹介される,新たなホリスティック誘導デコーダを提案する。
  論文  参考訳（メタデータ） (2020-12-18T10:51:49Z)
• Scaling Semantic Segmentation Beyond 1K Classes on a Single GPU [87.48110331544885]
  既存のセマンティックセグメンテーションモデルのトレーニングとスケールアップのための新しいトレーニング手法を提案する。 我々は、LVISとCOCOアノテーションからブートストラップした1284クラスのデータセットに対するアプローチの明確な利点を示し、DeeplabV3+モデルの3倍のmIoUを実現した。
  論文  参考訳（メタデータ） (2020-12-14T13:12:38Z)
• UNet 3+: A Full-Scale Connected UNet for Medical Image Segmentation [20.558512044987125]
  提案するUNet 3+は,フルスケールのスキップ接続と深い監視機能を利用する。 提案手法は, 様々なスケールで現れる臓器に対して特に有用である。
  論文  参考訳（メタデータ） (2020-04-19T08:05:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。